RAG na Vertex AI: czemu 1536 wymiarów zwraca HTTP 400

Adrian Krawczyk opublikowane 1 czerwca 2026 ostatnia aktualizacja 1 czerwca 2026 4 min czytania

Ustawiłem 1536 wymiarów jak w tutorialu. Vertex zwrócił 400. Żadnego konkretnego komunikatu, ściana. Po 3 godzinach znalazłem przyczynę. Zapisuję, żeby następny nie tracił tych godzin.

Jeśli budujesz RAG i decydujesz się na Vertex AI Vector Search, pewnie przerabiasz ten sam scenariusz. Czytasz tutorial, kopiujesz konfigurację, odpalasz skrypt i nagle dostajesz HTTP 400 InvalidArgument. Żadnego konkretnego komunikatu, po prostu ściana. Zaczynasz jojczeć, bo deadline goni, a Ty nie wiesz, co jest nie tak.

Ten artykuł to konkretna kmina dla inżynierów i architektów, którzy ogarniają RAG na Vertex AI. Rozkminimy, dlaczego ślepe kopiowanie ustawień z poradników pod inne API embeddings to prosty sposób na bengier i jak poprawnie ustawić wymiary wektora, żeby system działał.

Skąd bierze się błąd 400?

Zacznijmy od faktów. Większość tutoriali w sieci bazuje na modelach embeddingowych innych dostawców (np. text-embedding-ada-002 generuje wektory o 1536 wymiarach). To standard, do którego wszyscy się przyzwyczaili. Kiedy więc konfigurujesz index w Vertex AI Vector Search, naturalnym odruchem jest wpisanie 1536 w parametrze dimensions.

Problem w tym, że Vertex AI Text Embeddings API działa inaczej. Modele od Google, takie jak textembedding-gecko@001, textembedding-gecko-multilingual@001, text-embedding-004 czy text-multilingual-embedding-002, generują wektory o 768 wymiarach.

Kiedy Twój index w Vertex AI oczekuje 768 wymiarów (bo taki model wybrałeś), a Ty próbujesz wrzucić do niego wektor o długości 1536 (bo skopiowałeś kod z tutoriala pod inne API), Vertex rzuca HTTP 400. To klasyczny dimension mismatch. System nie zgaduje, nie przycina wektora w locie. Odrzuca żądanie.

Zasada niezmienności indeksu

Jest jeszcze jeden haczyk, o którym milczy większość dokumentacji. Parametr dimension w Vertex AI Vector Search jest immutable.

Oznacza to, że kiedy już stworzysz index z określoną liczbą wymiarów, nie możesz tego zmienić. Nie ma opcji edycji, nie ma migracji w miejscu. Jeśli jorgnąłeś złą liczbę na etapie tworzenia indeksu, musisz go usunąć i zbudować od nowa. To kosztuje czas, a jeśli masz wgrane miliony dokumentów, kosztuje też obliczenia.

Dlatego zanim w ogóle odpalisz skrypt tworzący index, sprawdzasz dokładną specyfikację modelu embeddingowego, którego używasz. Nie zakładasz, nie kopiujesz z pamięci. Sprawdzasz.

Jak to ogarniamy w praktyce?

Zamiast błądzić po dokumentacji, trzymam się prostego algorytmu przy każdym nowym projekcie RAG:

1. Wybierz model embeddingowy (np. text-multilingual-embedding-002).
2. Sprawdź w oficjalnej dokumentacji Google Cloud jego output dimension (dla text-multilingual-embedding-002 to 768).
3. Ustaw parametr dimensions w konfiguracji indeksu Vertex AI dokładnie na tę liczbę.
4. Upewnij się, że Twój kod generujący wektory używa tego samego modelu i nie hardcoduje innej wartości.

Jeśli musisz użyć 1536 wymiarów, bo np. migrujesz z innego dostawcy i nie chcesz robić re-embeddingu całej bazy, Vertex AI nie jest tu elastyczny w zakresie natywnych modeli. Musisz albo użyć zewnętrznego modelu, albo zaakceptować 768 wymiarów i przebudować bazę.

Tabela modeli Vertex AI i ich wymiarów

Dimension mismatch to cichy zabójca RAG-ów. Błąd 400 bez kontekstu, trzy godziny debugowania. Zamiast jojczeć nad logami, sprawdź wymiary modelu zanim stworzysz indeks.

Key takeaways

• Błąd HTTP 400 przy dodawaniu wektorów w Vertex AI to zazwyczaj dimension mismatch.
• Modele Google (gecko, text-embedding-004, text-multilingual-embedding-002) zwracają 768 wymiarów, nie 1536.
• Parametr dimensions w indeksie Vertex AI Vector Search jest niezmienny po utworzeniu.
• Zawsze weryfikuj wymiary w dokumentacji wybranego modelu przed stworzeniem indeksu.
• Nie kopiuj ślepo konfiguracji z tutoriali opartych na innych dostawcach API.